Tingkat Kesalahan Tipe 1

Pergi ke

Temukan wiki ini di platform Physiotutors Menjadi anggota

Belajar

Tingkat Kesalahan Tipe 1 | Statistik

Menguji beberapa variabel akan meningkatkan tingkat kesalahan tipe 1 atau tingkat positif palsu. Ini disebut masalah perbandingan berganda. Mengoreksi inflasi alfa ini tidaklah sulit. Ada dua cara utama, yaitu koreksi Bonferroni dan koreksi Holm.

Koreksi Bonferroni

Koreksi Bonferroni sederhana namun cukup konservatif. Anda membagi tingkat alfa Anda dengan jumlah tes yang akan Anda lakukan. Ini akan menjadi tingkat signifikansi yang baru. Jadi dalam kasus ini:

ɑ / n

ɑ: alfa atau tingkat signifikansi

n: jumlah pengujian

0.05 / 10 = 0.005

Dengan demikian, Anda dapat melakukan ini dengan mudah ketika membaca koran. Jika lima variabel diuji, Anda tahu bahwa tingkat alfa seharusnya sekitar 0,01, bukan 0,05 (0,05 / 5). Hal ini berdasarkan asumsi bahwa para peneliti tidak melakukan banyak sekali pengujian "di balik layar" dan tidak melaporkannya. Ini disebut data-dredging atau p-hacking.

Cara lain adalah dengan mengalikan nilai p pada kertas dengan jumlah tes.

Misalnya.

P-value = 0,03

0.03 * 10 = 0.3

Ini berarti bahwa nilai p-value yang sebelumnya signifikan sekarang menjadi tidak signifikan jika 10 variabel diuji.

Keterbatasan koreksi Bonferroni

Koreksi Bonferroni adalah metode yang banyak digunakan untuk menyesuaikan tingkat signifikansi untuk beberapa perbandingan dalam rangka mengendalikan tingkat kesalahan Tipe I secara keseluruhan. Namun demikian, ini memiliki beberapa keterbatasan.

Salah satu masalah utamanya adalah, bahwa hal ini bisa jadi terlalu ketat, yang dapat menyebabkan hilangnya kekuatan statistik. Selain itu, metode ini mengasumsikan bahwa semua perbandingan bersifat independen, yang mungkin tidak demikian pada data dunia nyata, yang berpotensi menyebabkan tingkat kesalahan Tipe II yang lebih tinggi.

Keterbatasan lain dari koreksi Bonferroni adalah bahwa hal itu meningkatkan kemungkinan negatif palsu atau Kesalahan tipe IIyang berarti bahwa ada kemungkinan lebih tinggi untuk melewatkan efek yang sebenarnya.

Terakhir, koreksi Bonferroni paling tepat untuk situasi di mana jumlah perbandingan relatif kecil, karena mungkin tidak seefektif bila jumlah perbandingan sangat besar. Oleh karena itu, peneliti harus mempertimbangkan dengan cermat kesesuaian koreksi Bonferroni untuk pertanyaan penelitian dan kumpulan data mereka, dan menyadari keterbatasannya.

Koreksi Holm

Cara kedua untuk mengoreksi inflasi alfa adalah koreksi Holm. Katakanlah para peneliti melakukan lima tes dan dengan demikian menjadi lima nilai p. Agar koreksi Holm dapat bekerja, mereka harus diurutkan dari yang terendah ke yang tertinggi.

Misalnya.

0,0004
0,0130
0,0172
0,0460
0,0600

Rumus Holm adalah sebagai berikut:

nilai-p * (m + 1 - k)

m = jumlah nilai-p

k = peringkat dari nilai-p

Jadi untuk nilai p-value ketiga yang kita dapatkan...

0,0172 * (5 + 1 - 3) = 0,0516

... membuat hasilnya tidak signifikan.

Keterbatasan Koreksi Holm

Salah satu keterbatasannya adalah koreksi Holm mengasumsikan bahwa semua tes bersifat independen, yang berarti bahwa hasil dari satu tes tidak mempengaruhi hasil tes lainnya. Namun, dalam beberapa kasus, pengujian mungkin tergantung, seperti ketika menguji beberapa hasil dari sampel yang sama atau ketika menguji titik waktu yang berbeda dari intervensi yang sama. Dalam kasus seperti itu, koreksi Holm mungkin terlalu konservatif atau terlalu liberal, sehingga menghasilkan kesimpulan yang salah. Keterbatasan lain dari koreksi Holm adalah bahwa ia tidak memperhitungkan korelasi antara tes, yang dapat mempengaruhi tingkat positif palsu. Sebagai contoh, jika beberapa pengujian terkait dengan konstruk dasar yang sama, probabilitas untuk mendeteksi efek yang signifikan akan meningkat, dan koreksi Holm mungkin tidak cukup menjelaskan hal ini. Meskipun koreksi Holm adalah metode yang berguna untuk menyesuaikan nilai-p dalam pengujian perbandingan berganda, namun penting untuk mempertimbangkan keterbatasannya, terutama ketika pengujian bersifat dependen atau berkorelasi. Metode lain seperti kontrol False Discovery Rate atau metode Bayesian mungkin lebih tepat untuk beberapa kasus.